[发明专利]基于信道状态信息的视距与非视距传输识别方法及装置

说明书

本发明公开了一种基于信道状态信息的视距与非视距传输识别方法及装置，首先使用无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；再将采集的无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号，构成训练数据集；使用LSTM网络构建编码器‑解码器模块，训练完成得到特征提取编码器，提取信道冲激响应信号的信道特征；采用3层神经网络作为分类器，训练完成的神经网络能够对信道特征进行分类，输出信道状态信息为视距传输或非视距传输的结果。本发明只需要使用简单的网络结构就能够完成具有较高准确率的识别过程，避免了使用复杂的深度学习方法。

技术领域

本发明属于无线通信技术领域，具体涉及一种视距与非视距传输识别方法及装置。

背景技术

无线通信技术已经融入到人们的生活和工作中，无论是传统的WiFi技术还是先进的5G技术，都是利用电磁波在空间中的传播来传输信息，而实际传播环境的复杂性要求对无线信号进行精细的分析和建模。其中，视距和非视距传输是影响无线信号和通信链路质量的重要因素，准确地识别视距与非视距传输对各种基于位置的服务、基站的布局与功率、大规模MIMO天线的设计等都有重要价值。现有的识别视距与非视距传输方法存在如下缺点。

1、现有技术方案多采用具有明确的物理背景或统计含义的信道参数来识别信号传输环境，这种方式在使用中需要专用的信道测量设备，限制了识别方法的适用场景，并且由于识别参数较为死板，识别性能的提升空间不大，不便于进行迭代升级。

2、已知的无线信号传播模型的信道参数是有限的，鉴于频谱的多样性、传播环境的复杂性和信号干扰的客观存在性，这些信道参数不能完全准确地描述各种信号传播的特性，所以该类技术方案的识别准确率的上限较低。

3、也有技术方案使用机器学习的方法训练分类器，达到识别信号传输环境的目的。现有的这类方法有些对实验数据进行处理后，同样使用具有明确的物理背景或统计含义的信道参数作为训练数据来训练分类器，例如使用均值、方差、Rician K因子等特征簇训练神经网络，这同样会带来前两点缺陷。有些机器学习方法直接使用信号状态信息来训练分类器，识别传输环境，这类方法的网络结构较为复杂，对计算资源的消耗较大，无论训练和部署的硬件要求比较高，识别速度较慢。

因此有必要开展视距与非视距识别技术的研究，寻找适用范围广、准确率高、识别速度快、易于更新升级的识别方法。

发明内容

为了克服现有技术的不足，本发明提供了一种基于信道状态信息的视距与非视距传输识别方法及装置，首先使用无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；再将采集的无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号，构成训练数据集；使用LSTM网络构建编码器-解码器模块，训练完成得到特征提取编码器，提取信道冲激响应信号的信道特征；采用3层神经网络作为分类器，训练完成的神经网络能够对信道特征进行分类，输出信道状态信息为视距传输或非视距传输的结果。本发明只需要使用简单的网络结构就能够完成具有较高准确率的识别过程，避免了使用复杂的深度学习方法。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1：数据采集和处理；

使用多个无线信号采集设备在不同的视距点位和非视距点位采集无线信号信道状态信息；

将采集的无线信号信道状态信息进行傅里叶反变换，得到相应的信道冲激响应信号，构成训练数据集；

步骤2：使用LSTM网络构建编码器-解码器模块；

采用步骤1得到的训练数据集对编码器-解码器模块进行无监督训练，训练完成得到特征提取编码器，用来对信道冲激响应信号降维并提取信道特征；

步骤3：使用特征提取编码器对训练数据集的信道冲激响应信号进行编码，提取降维后的信道特征；